Искусственный интеллект на производстве

В 2025 году в России запустили новый национальный проект «Средства производства и автоматизации». Его ключевая цель — войти в ТОП-25 стран по роботизации производственных предприятий. Искусственный интеллект уже внедряют ведущие производители в стране, но с реализацией проекта темпы возрастут и коснутся практически всех отечественных компаний.

В статье GigaChat расскажем о том, как внедряют ИИ на производства в России: какие инструменты и технологии используют, для каких задач, какие перспективы открываются у отечественных производителей с развитием искусственного интеллекта.

Что такое искусственный интеллект на производстве и зачем он нужен

Искусственный интеллект — это комплекс технологических решений, который помогает оптимизировать производственные процессы и улучшить показатели. Какие позитивные изменения может принести переход промышленности на ИИ:

• Улучшение качества продукции. Благодаря автоматизированным системам оценки качества, компании исключают человеческий фактор, нивелируют потенциальные ошибки и быстрее выявляют недочёты в работе оборудования.
• Повышение уровня безопасности. Сотрудники могут изучить условия работы в виртуальной среде, отточить навыки и ознакомиться с техникой безопасности до того, как перейдут непосредственно к станкам.
• Экономию. Искусственный интеллект обрабатывает данные быстрее человеческого мозга. Эту опцию можно использовать для оптимизации расходов на самых разных этапах работы: в логистике, закупках, найме персонала, управлении складскими запасами.

Компании, которые перешли на ИИ, становятся более гибкими, так как могут выбирать наилучшие способы решения производственных задач. Это повышает их конкурентоспособность как для внутреннего клиента (сотрудников, партнёров), так и для конечного потребителя.

Основные направления и примеры использования ИИ в промышленности

Сегодня искусственный интеллект может помочь на всех этапах производства: от разработки идеи и анализа спроса до контроля качества продукции. Подробнее рассмотрим, какие производственные процессы можно автоматизировать и упростить с помощью ИИ.

Автоматизация

Рутинные процессы на заводах постепенно переходят от людей к машинам. Например, чтобы изготовить пластиковую бутылку, человек не нужен. Специализированные машины для литья пластмассы подают пластиковые гранулы в шнек, где они нагреваются и расплавляются. Расплавленный до нужной температуры полимер впрыскивается в пресс-форму. Здесь изделие остаётся до полного остывания. После пресс-форма раскрывается, а специальный толкатель «выталкивает» готовую бутылку. Базовую линию можно улучшить, например, установить дробилку для создания пластиковых гранул или капсулу для покраски.

Человеку на производстве пластиковой продукции остаются функции пусконаладки, управления и контроля. Например, если на линию подать другой тип пластика, специалист должен отрегулировать температуру. Можно пойти дальше и все настройки сохранить в виде конкретных программ. В этом случае, для перехода с одного изделия на другое достаточно нажать пару кнопок.

Это лишь один из примеров автоматизации производственного процесса. На самом деле их тысячи, практически в каждой компании — от многомиллиардного гиганта до небольшого семейного предприятия. Внедрение машинных комплексов позволяет оптимизировать ресурсы и повышать эффективность производства с минимальными рисками.

Предиктивное обслуживание

Производственное оборудование выходит из строя и требует ремонта. Можно чинить станки по графику или при поломках. Оба варианта невыгодны для предпринимателей.

• Если чинить станки по графику, нужно регулярно выделять сумму на обслуживание техники из оборота. Плановое ТО не исключает каких-либо нештатных ситуаций и поломок вне плана.
• Если чинить оборудование только по нужде, каждый ремонт будет непредсказуем, в том числе по расходам. У компании в моменте может не оказаться достаточно свободных денег на ремонт. Кроме этого, такой подход сильнее изнашивает оборудование, оно выходит из строя чаще.

Предиктивное или профилактическое обслуживание (PdM) заключается в том, чтобы отслеживать потенциальные поломки и устранять их до того, как они приведут к большим затратам. Если оборудовать станки датчиками и подключить AI-анализ, они смогут проводить самодиагностику и заранее сообщать об износе деталей. Яркий пример такой стратегии реализован в любом современном автомобиле. Машина сообщает водителю, о том, что заканчивается уровень масла или в колесе не хватает давления — это профилактика износа двигателя и ходовой части.

Чтобы отслеживать состояние оборудования на производстве, станки оснащают датчиками, которые считывают уровень вибраций, выделяемую тепловую энергию, акустические эффекты, производительность и т.д. Встроенный ИИ анализирует данные с датчиков и сравнивает их с нормальными значениями. Обо всех отклонениях система сигнализирует с помощью звуковых эффектов или выводя ошибки и показатели на экран.

Анализ качества

Скорость, с которой человек оценивает готовое изделие, значительно уступает работе машин. Причём это не зависит от способа анализа. Критерии качества могут быть любыми: вес, изъяны в геометрии, цвет или блеск, химический состав. Любое измерение можно провести быстрее, если доверить процесс искусственному интеллекту.

Плюс использования машин в анализе качества — отсутствие человеческого фактора и постоянная обучаемость. ИИ не допускает ошибок, со временем его можно дополнить новыми критериями оценки, повышая производственные стандарты. Современные системы оценки работают не автономно, а выступают частью производственного комплекса, позволяя моментально реагировать на недочёты. Например, на заводах ГК «Доброфлот» при обнаружении дефекта сварного шва консервной банки линия автоматически останавливается. Сотрудники могут перенастроить автомат и тем самым сократить количество бракованной продукции.

Оптимизация логистических цепочек

Искусственный интеллект помогает оптимизации бизнеса не только в цехах, но и за их пределами. Например, производители используют нейросетевые модели, чтобы выстраивать цепочки поставок и сбыта. На что способны нейросети:

• Построить оптимальный логистический маршрут, чтобы доставить заказы в срок;
• Выбрать вид транспорта для грузоперевозок с учётом объёма и веса готовой продукции;
• Сравнить условия сотен поставщиков, чтобы снизить стоимость закупок;
• Сопоставить производственный процесс с графиком поставок сырья и распределить нагрузку на отдельные цеха.

Для столь глубокой аналитической работы не всегда нужно специализированное ПО. Мы попросили GigaChat проложить на карте маршрут поставки.

Нейросеть построила маршрут с учётом состояния дорог и расстояния, выбрав самый короткий путь по всем городам:

Посчитала расходы на бензин:

И рассчитала сроки прибытия с учётом отдыха водителя. Правда, график пришлось корректировать, так как нейросеть сначала не учла ночной отдых в поездке:

Какие AI-технологии применяют в российском производстве: примеры

VR/3D

Компания «Северсталь» использует цифровые тренажёры собственной разработки для обучения линейного персонала. Сотрудники осваивают основные навыки не на реальных станках, а в виртуальном рабочем пространстве, например, изучают, как переместить груз при помощи мостового крана.

Плюсы технологии в том, что обучение легко масштабировать. Компании не нужно выделять отдельный цех, реальное оборудование не простаивает. Кроме того, это безопасно: у сотрудников нет риска получить травму в случае ошибки. А ещё они не портят оборудование, ведь одно неверное действие в реальности может сломать станок стоимостью в десятки миллионов рублей.

Цифровые двойники

Цифровой двойник — это виртуальная модель, которая полностью копирует реальный станок или устройство и имитирует его работу в искусственных условиях. Цифровые двойники активно используют для предиктивного обслуживания. В отличие от обычного станка, который всегда работает в штатном режиме, виртуальную модель можно ускорить и в считанные секунды определить, за какой срок выйдет из строя тот или иной узел.

Цифровые двойники применимы в самых разных отраслях промышленности, они помогают компаниям экономить бюджет. Технология позволяет смоделировать работу станка или производственный процесс, чтобы оценить его эффективность перед покупкой или запуском. Так, «Газпром нефть» визуализирует добычу нефти перед тем, как начать бурение. Компания проводит геологическую разведку, чтобы выбрать оптимальное решение для разработки месторождения, правильно распределить ресурсы, выбрать последовательность и методы работы.

Компьютерное зрение

Технологии компьютерного зрения представляют собой систему видеонаблюдения и анализа, они помогают в оценке качества выпущенной продукции. Именно такой подход используют на заводах «Русал». С помощью видеонаблюдения ИИ проверяет геометрию, форму и структуру поверхности алюминиевых заготовок и оценивает их качество. Нейросети с высокой точностью находят даже мельчайшие дефекты, сигнализируя о браке. А главное, делают это без участия человека и в десятки раз быстрее людей.

Компьютерное зрение также помогает службам безопасности следить за нарушениями или поломками на производстве. Например, ИИ может обнаружить источник задымления, разрывы на трубопроводе, повреждение изоляции кабеля (искрение) и другие потенциально опасные угрозы.

Порядок внедрения ИИ на производстве

Чтобы автоматизировать производственные процессы, можно прибегнуть к готовым решениям, разрабатывать собственные роботизированные системы или комбинировать эти методы. Выбор зависит от конечных целей. Переход к ИИ — это сложный алгоритм, который требует планомерной работы.

1. Аудит существующих систем и планирование. Аналитики оценивают текущие показатели и потенциал автоматизации. Важно понять: на каком производственном этапе есть потери или сбои, какие у компании есть точки роста, какие зоны требуют автоматизации и применения искусственного интеллекта.
2. Выбор подходящего решения. В зависимости от поставленных задач, компании сравнивают доступные на рынке варианты и выбирают наиболее эффективные. Часто выбор упирается в доступные ресурсы: автоматизация, хотя и экономит бюджет в перспективе, на этапе внедрения обходится очень дорого. Благодаря национальному проекту «Средства производства и автоматизации», компании могут рассчитывать на государственную поддержку.
3. Тестирование. Выбранное решение проверяют на отдельном производственном узле, и только при положительных показателях масштабируют в рамках всей компании. Так, бизнес снижает риски от потенциальных ошибок и внедрения неэффективных систем.
4. Подготовка сотрудников. Переход к новым технологиям затрагивает весь персонал. Сотрудники должны быть обучены работе с новыми системами и искусственным интеллектом, чтобы успешно выполнять задачи в новых условиях.
5. Оценка результатов. Компания проводит повторный анализ, фиксируя изменения и сравнивая их с плановыми показателями. Бизнесу также важно оценить экономическую эффективность внедрения искусственного интеллекта, для этого сравнивают затраты на реализацию и подсчитывают полученную прибыль.
6. Оптимизация. Если система в масштабе показала низкую эффективность, начинается сложный этап доработок. Он включает в себя повторный анализ работоспособности, идеи для улучшения, их обкатку и масштабирование.

Главная сложность при внедрении автоматизированных решений в промышленности — это отсутствие аппаратного обеспечения. Раньше предприятия закупали оборудование у зарубежных компаний. В рамках импортозамещения необходимо разрабатывать собственные компоненты автоматизации. Как правило, все существующие разработки локальные, а на их масштабирование нужно время. По оценкам экспертов это станет возможно ближе к 2030 году.

Ещё одна проблема, которую нужно преодолеть промышленности — подготовка кадров. Количество специалистов, которые знают оборудование и алгоритмы ИИ, не соответствует текущим потребностям. На подготовку новых кадров уйдёт ещё несколько лет.